Sieci neuronowe jako narzędzie umożliwiające prognozowanie zapotrzebowania na wodę w uprawach rolnych

• Autorzy: Neugebauer M. , Nalepa K. , Sołowiej P.

Warianty tytułu

EN

Neural network as a tool enabling prediction of water demand in agriculture

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono możliwości wykorzystania modelowania neuronowego w celu wyznaczenia momentu w którym należy rozpocząć nawadnianie upraw. Właściwy moment rozpoczęcia nawadniania umożliwia uniknięcie przesuszenia roślin, a jednocześnie pozwala na bardziej efektywne wykorzystanie systemów nawadniających uprawy (np. deszczowni). Jako dane wejściowe w modelowani neuronowym przyjęto dane charakteryzujące poszczególne uprawy - gatunek, okres wegetacji, rodzaj gleby, położenie względem najbliższych zbiorników wód powierzchniowych oraz prognozy siedmiodniowe dotyczące opadów na danym terenie.

EN

The paper presents the enable of neural network modeling for the purpose to find the start point of water the fields. The right moment of start the water the fields enable avoided dry up the plants, and at the same time allow on the more efficient using of irrigated systems (for example water- butt). As input date in neural network modelling was taken the date which characterize each cultivation - kind, phase of vegetation, kind of soil, location with regard to nearest water reservoir and seven-days rain forecast.

Słowa kluczowe

PL

sieć neuronowa; prognozowanie; nawadnianie pól; opady deszczu

EN

neural networks; prediction; field irrigation; rainfall

• Wydawca: Polskie Towarzystwo Inżynierii Rolniczej
• Czasopismo: Inżynieria Rolnicza
• Rocznik: 2007
• Tom: R. 11, nr 2 (90)
• Strony: 205--210
• Opis fizyczny: Bibliogr. 17 poz., rys.

Twórcy

autor

Neugebauer M.

autor

Nalepa K.

autor

Sołowiej P.

• Uniwersytet Warmińsko-Mazurski w Olsztynie, Wydział Nauk Technicznych, Katedra Elektrotechniki i Energetyki,

Bibliografia

• Berbel J. Gomez-Limon J. A. 2000. The impact of water-pricing policy in Spain: an analysis of three irrigated areas. Agricultural Water Management 43(2000). s. 219-238.
• Bergez J. E. Nolleau S. 2003. Maize grain yield variability between irrigation stands: a theoretical study. Agricultural Water Management 60(2003). s. 43-57.
• Bielińska E. 2002. Metody prognozowania. Wyd. Śląsk. Katowice. ISBN 83-7164-349-7.
• Boniecki P. Weres J. 2003. Wykorzystanie technik neuronowych do predykcji wielkości zbiorów wybranych płodów rolnych. Journal of Research and Applications in Agricultural Engineering 48(4). s. 56-59.
• Boniecki P. 2004. Sieci neuronowe typu MLP oraz RBF jako komplementarne modele aproksymacyjne w procesie predykcji plonu pszenżyta. Journal of Research and Applications in Agricultural Engineering 1(2004). s. 28-34.
• Brandt S. 1999. Analiza danych, metody statystyczne i obliczeniowe. Wydawnictwo Naukowe PWN. Warszawa. ISBN 83-01-12986-7.
• Grochalski S.M. (red.) 2003. Problemy globalne współczesnego świata. Wydawnictwo Uniwersytetu Opolskiego.
• Lee K.C. Han I., Kwon Y. 1996. Hybrid neural network models for bankruptcy predictions. Decision Support Systems 18(1996). s. 63-72.
• Luk K.C. Ball J.E. Sharma A. 2001. An Application of Artificial Neural Networks for Rainfall Forecasting. Mathematical and Computer Modelling 33(2001). s. 683-693.
• Maier H.R. Dandy G.C. 2000. Neural networks for the prediction and forecasting of water resources variables: a review of modelling issues and applications. Environmental Modelling & Software 15(2000). s. 101-124.
• Migdał-Najman K. Najman K. 2000. Sieci neuronowe wykorzystane do prognozowania WIG. Profesjonalny Inwestor 8/2000. s. 10-18.
• Nguyen H.H. Chan C.W. 2004. Multiple neural networks form a long term time series forecast. Neural Computing&Applications 13(2004). s. 90-98.
• Sasim M., Mierkiewicz M. 2005. Susza w 2003 roku. Gazeta obserwatora IMGW nr 1. s. 37-38.
• Trafalis T.B., Santosa B., Richman M.B. 2005. Learning networks in rainfall estimation. Computational Management Science 2(2005). s. 229-251.
• Weatherhead E.K., Knox J.W. 2000. Predicting and mapping the future demand for irrigation water in England and Wales. Agricultural Water Management 43(2000). s. 203-218.
• Yasdi R. 1999. Prediction of Road Traffic using a Neural Network Approach. Neural Computing& Applications 8(1999). s. 135-142.
• Zhang M. Fulcher J. Scofield R.A. 1997. Rainfall estimation using artificial network group. Neurocomputing 16(1997). s. 97-115.